Not Predicting the Future, but Imagining It
以前想知道一件事，要先去找人。
可能是問朋友、問老師、找一個做很久的人。再不然就是翻書、查資料、看論壇，一頁一頁慢慢找。有些知識甚至不在書裡，它只存在某些人的經驗裡。
像是做產品的人知道，使用者說「還不錯」，有時候其實就是不會買。做市場的人看到一則新聞，會知道它可能只是短暫情緒。做工程的人看到一段程式，就知道它雖然能跑，但後面大概會出問題。
這些東西以前很難拿到，不是因為沒有答案，而是你不知道要問誰。或者你還沒問出口，就先覺得自己的問題很笨。
現在不太一樣了，打開一個 AI 對話框，輸入一句話，幾秒後就有回答。
- 你可以問它一個概念。
- 問它幫你整理資料。
- 問它看一段程式。
- 問它分析一個產品想法。
- 問它把一堆看不完的資訊，先整理成比較能理解的樣子。
姑且不論它是不是完全正確。
光是「可以立刻開始問」這件事，就已經改變了很多事情。
以前知識比較像放在書架、資料庫、公司裡，或某些人的腦袋裡。現在知識開始變成一段可以對話的東西。你不一定要先懂很多，才有資格開始問。很多時候，是先問了，才慢慢知道自己原來不懂什麼。
這也是 AI 最讓我覺得有意思的地方，但同時…也是我開始覺得要小心的地方。
AI 可以預測未來嗎？
如果先講結論：AI 可以協助預測，但不能保證它知道未來。
它可以很快整理歷史資料、新聞、報告、評論、價格變化、圖片或其他訊號。它也可以把一個很大的問題，先拆成幾個比較能處理的方向。
以前一個人要花幾天整理的資料，現在也許幾分鐘就能先有第一版。
這當然有幫助，尤其當資料很多、來源很散、時間有限的時候，AI 可以先幫忙找關聯、列出重點、提出不同假設，讓人不用從一片空白開始。
但預測這件事，本來就沒有那麼容易，未來不是一份資料。
它不是把過去幾年的數字丟進去，再叫模型算出一個機率，事情就會照著那個機率發生…
- 人會改變。
- 市場會突然轉向。
- 一則新聞可能被過度放大。
- 一項看起來很厲害的技術，可能根本沒有人願意付錢使用。
- 有些真正重要的變化，也許還沒有出現在任何資料裡。
AI 可以看過去，可以整理現在。
但未來常常是在很多人做出選擇之後，才慢慢形成的。
所以我不太相信「AI 已經可以預測一切」這種說法。
它可以讓預測比以前更快開始，也可能比人單獨處理資料時看到更多東西。但它不是水晶球，更不會因為給了一個看起來很精準的數字，就自動變成真相。
AI 很會整理答案，但不一定理解問題
現在的模型很容易讓人放下戒心。
因為它講話很順。
它可以給你標題、分點、表格、結論、建議，甚至還會幫你補上看起來合理的案例。很多內容讀起來比人寫的報告還完整。
但完整，不一定代表正確。
- 有時候它把資料日期搞錯。
- 有時候把不同事件混在一起。
- 有時候引用來源找不到。
- 有時候它根本沒有理解問題裡最重要的限制條件。
- 還有時候，它不知道答案，但還是會很認真地回答。
最麻煩的通常不是 AI 明顯亂講，明顯亂講反而容易發現。哈….
真正麻煩的是，它八、九成聽起來都對，偏偏在最需要確認的地方出錯。你會因為它語氣很穩、邏輯很完整，就以為它已經替你想過了。
但它沒有。
它只是根據自己看到過的大量模式，生成一個看起來最像答案的回答，這不表示 AI 沒有價值。
只是我們使用它的方式，可能要改一下。
不要把它當成最後的裁判。比較適合的方式，是把它當成一個可以很快幫你整理、陪你推演、也可能提醒你盲點的協作者。
我在研究的，不是叫一個 AI 猜答案
我一直在研究 LLM、多模型融合，以及多模態 AI 可以怎麼一起使用，講白一點，就是不太想把一個重要問題，完全交給單一模型回答。
因為每個模型都有自己的特性。
- 有些模型整理文字很快。
- 有些模型比較適合寫程式。
- 有些模型做推理時表現比較穩。
- 有些模型可以看圖片、理解文件、處理語音或表格。
- 有些模型很強，但成本很高。
- 有些開源 LLM 沒有那麼全面，卻可能適合放進長期運作的流程裡。
所以我會想，多模型融合能不能不是單純把同一個問題問很多次？
- 一個模型負責整理資料。
- 一個模型負責分析。
- 另一個模型專門找反例，或檢查前面的邏輯有沒有跳太快。
- 有些資料需要文字理解，有些需要圖片或結構化數據，可能也不該只用同一種方式處理。
這聽起來像是把幾個 AI 接起來，但真的開始做，後面其實有很多事情。
- 資料從哪裡來？
- 資料是不是過期了？
- 不同來源是不是在講同一件事？
- 模型有沒有把重複內容當成很多證據？
- 評分高，到底代表它真的比較有可能，還是只是模型比較有自信？
- 模型之間意見不同時，要相信誰？
問題通常不是模型回答之後才出現，很多問題，其實在模型回答之前就已經存在了。
多融合模型不是投票
有人可能會覺得，多模型融合就是問三個 AI，然後看哪個答案票數比較多。
但我覺得這樣不太夠，因為三個模型可能看過很接近的資料，也可能有相似的偏誤。它們甚至可能一起忽略同一件事。
三個 AI 同時講一件錯的事情，不會讓它變成正確。
多模型真正比較有用的地方，不是讓答案的數量增加，而是讓不同角色出現。
- 一個模型先整理資訊。
- 一個模型去找資料裡的矛盾。
- 一個模型提出另一種可能。
- 一個模型協助檢查結果能不能被驗證。
- 最後還是由人回來看：這件事到底有沒有足夠依據？
這裡會走到一個常被提到的詞：Human in the Loop。
很多人會覺得，意思就是最後讓人按一下確認。
但我覺得人真正要做的，不只是確認而已。
- 人要決定問題是什麼。
- 人要決定哪些資料值得相信。
- 人要知道這個判斷會影響什麼。
- 人也要承擔判斷錯誤後的結果。
AI 不會。
它可以給出十種可能性，但不會因為其中一種讓你損失時間、金錢或機會，就真的感到後悔。
預測有了 AI 好像提升了，但還是很難
AI 預測系統現在看起來很有機會。
因為以前很難同時處理的東西，現在開始有工具可以幫忙了。文字資料、新聞、評論、數字、圖表、影像，甚至不同來源的訊息，都可以嘗試放在一起分析。
多模態 AI 的出現，也讓一些以前只能分開看的東西，有機會被放進同一個流程裡，但資料多，不代表理解就會更多。
尤其是做產品、趨勢或市場相關預測時，資料常常不完整。外觀、使用情境、人的偏好、價格、時間點、競品變化，很多東西都會影響最後結果…
有些資料取得不容易。
有些東西模型看得到文字，但不一定真的看得懂外觀。
有些評分看起來很合理，但還不知道它跟真實結果有沒有關係。
所以我覺得預測系統最重要的，不是做出一個看起來很厲害的分數。而是要知道這個分數從哪裡來。
- 它依據什麼資料？
- 它漏掉什麼？
- 它在什麼情況下可能失效？
- 它有沒有經過回測、驗證，或至少被拿去和後來的結果比較過？
這些事情沒有那麼酷。
但如果沒有它們，AI 預測很容易只是把猜測包裝得更像答案。
不是預測未來，而是想像未來
我還是覺得 AI 很有可能改變很多事情。
它讓知識更容易接近。
讓一個人可以更快開始做事。
讓原本沒有工程團隊、研究資源或大量時間的人，也有機會把想法做成第一版，它也讓很多以前只能停在腦中的問題，開始有地方可以慢慢拆開，只是我不太想把它想成一台會公布未來答案的機器，我比較想把它當成一種新的工具….
- 它可以幫我們整理複雜的世界。
- 可以讓我們更快看見資料裡的訊號。
- 可以提醒我們一些原本沒想到的方向。
- 也可以讓一個模糊的念頭，先變成一個可以討論、可以測試的東西。
我還在找更好的模型、更好的整合方式、更合理的評分邏輯，也還在遇到很多問題。資料不夠、成本太高、模型不穩、答案互相矛盾，這些事情都很常見。
但沒做，就什麼都沒有。
有些事情不是先知道一定會成功，才開始做，而是先做了，才知道下一個問題在哪裡。
未來可能沒辦法被完整預測。
就…先做一些小實驗，先把那些原本看不到的地方照亮一點。有做就有進步~
更多文章
為什麼你用的 AI 工具感覺都差不多？
我開始發現，很多 AI 工具只是介面不同
AI 不是一個幫手，會規劃可以是一個團隊
我開始不太相信 AI 了
大模型不是單一解決方案…為什麼企業都在轉做「混合人工智慧」？
QQCDR AI Engine 是什麼？多模型融合 AI 決策系統解析
AI 多模型融合研究：如何設計可重現的融合實驗、評估指標與結果校準
從股票實驗到產品開發 用「多模型融合」提升 AI 預測的準確率
發表迴響